AI–初识智能体

0.前言

在人工智能浪潮席卷全球的今天，智能体（Agent）已成为驱动技术变革与应用创新的核心概念之一，那么智能体是什么？它有哪些主要的类型？它又是如何与我们邻近的世界进行交互的？这就是今天要学习的内容（学习内容主要参考来源：https://github.com/datawhalechina/hello-agents）

1.什么是智能体

智能体（AI Agent）本质上就是人工智能领域的一种高级系统，它能够感知环境，并自主采取行动以实现特定目标。如果说传统的AI只是被动等待指令、执行单一任务的“工具”，那么智能体则是拥有目标、具备逻辑和行动力的“助手”甚至“伙伴”。目前而言，智能体依赖于LLM大模型作为大脑，智能体的上限取决于LLM模型的能力。

2.智能体应用的协作模式

目前市面上的智能体模式可以分为两种，一种是作为开发者工具的智能体，这种智能体主要是为了深入融合到我们的工作流中，一种是作为自主协作者的智能体，与其他智能体协作完成比较复杂的目标内容

协助开发智能体

这种智能体的目的是为了增强开发者，通过自动化处理繁琐、重复的任务，让开发者能够更加专注于创造更核心的工作内容，主要测评有例如：Claude Code、Trae、Cursor:等

自主协作智能体

这一类智能体，我们不在是手把手的指导AI完成每一步内容，而是将一个更高层的目标委托给它，将他当做一个员工看待，能够独立地规划、推理。执行和反思，最后交付成果，从助手到协作者的转变，这种智能体也就是现在企业常说的AI agent智能体

3.Workflow vs Agent

一般而言，智能体的构造是任务分解、工具调用、上下文理解和结果合成这四个步骤，workflow即工作流，二者尽管都是为了实现任务自动化，但其底层逻辑、核心特征和适用场景却截然不同。

工作流是一种传统的自动化范式，其核心是对一系列任务或步骤进行预先定义的、结构化的编排。它本质上是一个精确的、静态的流程图，规定了在何种条件下、以何种顺序执行哪些操作。而智能体是一个具备自主性的、以目标为导向的系统。它不仅仅是执行预设指令，而是能够在一定程度上理解环境、进行推理、制定计划，并动态地采取行动以达成最终目标。

通俗的讲，工作流的判断流程是人提前预设好的，，而智能体基于大模型的思考下，会基于实时信息进行动态推理和决策的能力。也就仨我们将思考权交给了大模型，从而完成工作，这就是本质区别

4.智能体的经典范式构建

一个现代的智能体，核心能力在于将大语言模型的推理能力与外部世界联通，使得其能够用自主的理解用户意图，拆解复杂任务，通过调用代码解释器等一系列操作的工具，来获取信息、执行操作，到最终的达成目标，而为了更好的让智能体进行“思考”和“行动”的过程，业界中也出现了一些的比较经典的架构范式，这里我们给出三种最具有代表性的例子

ReAct (Reasoning and Acting)： 一种将“思考”和“行动”紧密结合的范式，让智能体边想边做，动态调整。
Plan-and-Solve： 一种“三思而后行”的范式，智能体首先生成一个完整的行动计划，然后严格执行。
Reflection： 一种赋予智能体“反思”能力的范式，通过自我批判和修正来优化结果。

总结来说就是一个边想边做，一个思考后再做，一个做完加入反思进行修正。

5.基础的环境准备与基础工具定义

现在我们将开始构建这些基础的范式，在此之前，需要先搭建好开发环境并定义一些基础的组件。

语言选定

之前的章节有说过目前ai框架中适配的语言是python和java，我只用过python，所以使用Python语言，版本是3.11（这里建议是使用3.10及更高版本），至于python的部署网络上都有，这里就不过多讲述了

安装依赖库

大语言的交互需要使用openai库，以及python-dotenv库用于更加安全的管理我们的API密钥，所以需要在终端执行：

1	`pip install openai python-dotenv`

配置API密钥

为了让我们的代码更通用，我们将模型服务的相关信息（模型ID、API密钥、服务地址）统一配置在环境变量中。我这里用的是minimax官方的key

1. 在你的项目根目录下，创建一个名为 .env 的文件。
2. 在该文件中，添加以下内容。你可以根据自己的需要，将其指向 OpenAI 官方服务，或任何兼容 OpenAI 接口的本地/第三方服务。（用其他的api也行，不过要注意对应官方的调用文档）

# .env file
LLM_API_KEY="YOUR-API-KEY"
LLM_MODEL_ID="YOUR-MODEL"
LLM_BASE_URL="YOUR-URL"

封装LLM调用函数

import os
#为后续调用llm下载函数
from openai import OpenAI
#把.env 文件里的键值对读进当前进程的环境变量
from dotenv import load_dotenv


# 加载 .env 文件中的环境变量
load_dotenv()

#定义一个类，类名是HelloAgentsLLM，类里面有三个方法：__init__、think、__main__
class HelloAgentsLLM:
    """
    为本书 "Hello Agents" 定制的LLM客户端。
    它用于调用任何兼容OpenAI接口的服务，并默认使用流式响应。
    """
    #等价于 def __init__(self, model=None, apiKey=None, baseUrl=None, timeout=None):
    def __init__(self, model: str | None = None, apiKey: str | None = None, baseUrl: str | None = None, timeout: int | None = None):
        """
        初始化客户端。优先使用传入参数，如果未提供，则从环境变量加载。
        """
        self.model = model or os.getenv("LLM_MODEL_ID")
        apiKey = apiKey or os.getenv("LLM_API_KEY") 
        baseUrl = baseUrl or os.getenv("LLM_BASE_URL")
        timeout = timeout or int(os.getenv("LLM_TIMEOUT", 60))
        
        # 检查是否提供了必要的参数
        if not all([self.model, apiKey, baseUrl]):
            raise ValueError("模型ID、API密钥和服务地址必须被提供或在.env文件中定义。")
        
        # 
        self.client = OpenAI(api_key=apiKey, base_url=baseUrl, timeout=timeout)

    def think(self, messages: list[dict[str, str]], temperature: float = 0) -> str | None:
        """
        调用大语言模型进行思考，并返回其响应。
        """
        print(f"🧠 正在调用 {self.model} 模型...")
        try:
            response = self.client.chat.completions.create(
                model=self.model,
                messages=messages,
                temperature=temperature,
                stream=True,
            )
            
            # 处理流式响应
            print("✅ 大语言模型响应成功:")
            collected_content = []
            for chunk in response:
                if not chunk.choices: # 如果没有选择，跳过,因为有些大语言模型会返回空的选择，比如OpenAI 会在所有正常 chunk 推完之后，再单独推一个特殊的收尾 chunk
                    continue
                # 从当前 chunk 中提取内容
                content = chunk.choices[0].delta.content or ""
                print(content, end="", flush=True) # 直接打印到标准输出，不换行
                # 收集内容到列表中，用于后续返回
                collected_content.append(content)
            print()  # 在流式输出结束后换行
            return "".join(collected_content)

        # 处理异常情况
        except Exception as e:
            print(f"❌ 调用LLM API时发生错误: {e}")
            return None

# --- 客户端使用示例 ---
if __name__ == '__main__':
    try:
        llmClient = HelloAgentsLLM()
        
        exampleMessages = [
            {"role": "system", "content": "You are a helpful assistant that writes Python code."},
            {"role": "user", "content": "写一个快速排序算法"}
        ]
        
        print("--- 调用LLM ---")
        responseText = llmClient.think(exampleMessages)
        if responseText:
            print("\n\n--- 完整模型响应 ---")
            print(responseText)

    except ValueError as e:
        print(e)

这是定义的一个快速排序算法的交互客户端：

AI--初识智能体

https://one-null-pointer.github.io/2026/03/10/AI --初识智能体/

Author

liaoyue

Posted on

March 10, 2026

传送口

Dify--Dify部署 Next